研究人员推出了MET-Bench，一个旨在评估视觉语言模型在文本和图像模态中跟踪实体能力的新基准。研究发现，纯文本和多模态实体跟踪之间存在显著的性能差距，这主要归因于视觉推理缺陷而非感知问题。虽然明确的基于文本的推理策略有所改进，但长时域多模态任务仍然具有挑战性。将强化学习应用于开源VLM在模态内取得了进展，但未能有效地跨模态转移，这表明需要增强多模态表示和推理技术。 AI
影响 突出了当前视觉语言模型在多模态推理方面的关键差距，为未来的研究和开发指明了方向。
排序理由 该集群描述了一篇介绍用于评估AI模型基准的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →